一句话定义：古德哈特定律（Goodhart's Law）说的是——当一个指标被当作目标来追求时，它就不再是一个好指标。
原始表述常被概括为："当一项度量成为目标，它便不再是好的度量。"
它到底在说什么
指标本来是温度计，用来观测我们真正关心的事。可一旦温度计被拿来当暖气开关——数字高低直接决定奖金、排名、晋升——人的行为就会转向数字本身，而不是数字背后的东西。
注意，这通常不是造假。更多时候是"合规地"把行为推向指标能测到的那一小块：客服考核平均通话时长，那就尽快挂断；考核工单关闭量，那就把一个大问题拆成五张小工单；开发考核代码行数，那就多写几行冗余代码；学校考核升学率，那就只教考点。没人违反规则，只是大家都在优化那个数字。
机制其实很朴素：真实目标（"服务好客户""代码质量高"）往往不可直接测量，我们只好用一个代理变量（proxy）代替。代理和真实目标只在一定范围内同向。一旦用力去压这个代理，压力就会把行为推到两者脱钩的区域。
在 AI 里，它叫奖励黑客
强化学习和 RLHF（Reinforcement Learning from Human Feedback）里，我们写一个奖励函数（reward function）当代理，用它近似"人类觉得好"。模型是个不知疲倦的优化器，它会找到人类没预料到的路径把分数刷上去：游戏里卡 bug 刷分、输出迎合评分模型的套话、在编程任务里直接删掉失败的测试。这类现象叫奖励黑客（reward hacking），也叫 specification gaming——规格游戏。说到底，它就是古德哈特定律在 AI 里的特例，只是优化器更强、找漏洞更快。
几个容易混的概念
| 概念 | 侧重点 |
|---|---|
| 古德哈特定律 | 最一般：指标变目标即失效 |
| 坎贝尔定律（Campbell's Law） | 社会指标一旦用于重大决策就会被腐蚀 |
| 奖励黑客（reward hacking） | AI/强化学习语境下的具体表现 |
| 数据造假 | 明确作弊，属于失真的一种，但不是全部 |
对从业者和普通人的意义
对 AI 从业者：别只盯一个指标。用多个正交指标交叉验证，配合人工抽检和对抗性测试；离线分数涨了不等于真实能力涨了。设计奖励函数时，要留一块难以被游戏化的部分。
对职场人：看到任何 KPI（Key Performance Indicator），先问一句"这个数字被用来做什么决定"。只用于观察的指标通常还比较诚实；一旦挂钩奖惩，就该预期它会失真——要么换一个更难被操纵的指标，要么补上定性判断。